[发明专利]一种基于TM-SRC的三维无纹理目标位姿估计方法

说明书

本发明公开了一种基于TM‑SRC的三维无纹理目标位姿估计方法，首先，基于三维目标CAD模型离线生成不同采样视点下的模板图像构建模板库；然后通过引入采样视点位姿的先验知识构建先验分层树，在先验分层树高层使用相似性度量进行在线匹配，得到候选模板，候选模板的子节点被追踪到先验分层树的底层；最后，在先验分层树的底层使用稀疏表示分类进行分类获得最佳匹配模板关联的位姿参数。本发明考虑了穷举搜索时间复杂度过高和现有基于模板匹配的方法对遮挡和杂乱背景鲁棒性较低的问题，构建了基于TM‑SRC的三维无纹理目标位姿估计方法，提高了在遮挡和杂乱背景下三维无纹理目标位姿估计的鲁棒性。

技术领域

本发明涉及一种三维无纹理目标位姿估计方法，属于机器视觉技术领域，尤其涉及一种基于模板匹配和稀疏表示分类(Template Matching and Sparse RepresentationClassification，TM-SRC)的三维无纹理目标位姿估计方法。

背景技术

三维目标位姿估计在装备制造、机器人抓取、增强现实等领域都有着广泛的应用。随着SIFT(Scale-invariant Feature Transform)，SURF(Speeded Up Robust Features)，ORB(Oriented Fast and Rotated Brief)等局部特征描述子的提出，具有纹理信息的三维目标位姿估计难度降低，但大部分目标往往缺少或没有纹理信息，对于这些无纹理目标，基于局部特征描述子的方法则无法适用。

现有目标位姿估计方法主要有基于几何特征、深度学习和模板匹配三大类。基于几何特征的位姿估计方法常利用点、直线、曲线等三维目标已知的结构特征，通过坐标变换对结构特征进行位姿解算得到三维目标的位姿信息，该方法极度依赖于三维目标的纹理特征，对于无纹理目标通常无法提取到稳定的关键点；近年来基于深度学习的方法取得了较好的效果，但存在目标数据收集和标注困难的问题，很多场景也没有足够的计算机资源运行该类方法；基于模板匹配的方法通过计算测试图像和模板图像的相似度，选取模板库中与测试图像相似度最高的模板关联的位姿参数作为位姿估计结果，由于其不依赖于目标的纹理特征，因此对无纹理目标有良好的性能，取得了较高的精度。然而，基于模板匹配的方法仍然存在局限，如对模板库进行穷举搜索匹配时间复杂度过高；同时，现有基于模板匹配的位姿估计方法存在对遮挡和杂乱背景的鲁棒性较低的问题。

因此，本发明提出一种基于TM-SRC的三维无纹理目标位姿估计方法，通过引入采样视点位姿的先验知识构建先验分层树加速搜索匹配，在先验分层树高层使用相似性度量进行匹配，在先验分层树底层使用稀疏表示分类进行分类，实现三维无纹理目标的位姿估计，提高遮挡和杂乱背景下三维无纹理目标位姿估计的鲁棒性。

发明内容

本发明以提高遮挡和杂乱背景下三维无纹理目标位姿估计的鲁棒性为目的，提出一种基于TM-SRC的三维无纹理目标位姿估计方法，包括以下步骤：

步骤一：基于三维目标CAD模型构建模板库，利用不同视点的位姿参数计算投影变换矩阵，然后使用开放图形库OpenGL对三维目标CAD模型进行解析渲染，投影生成不同视点下的模板，最后提取模板库模板的特征并进行存储，离线完成模板库构建；

步骤二：构建先验分层树加速搜索匹配，通过引入采样视点位姿的先验知识，将相邻视点的模板归为一类，将中心视点模板作为类别中心，并对模板图像进行降采样，完成先验分层树的构建；

步骤三：输入三维目标测试图像并进行降采样构建测试图像金字塔，加载离线构建的先验分层树的模板特征以及索引信息；在先验分层树的高层使用相似性度量进行匹配，在先验分层树的底层引入稀疏表示分类进行分类，得到最终匹配模板，输出最终匹配模板索引和关联的位姿参数，实现三维无纹理目标的位姿估计。

所述步骤一，具体包括：